CN111024063A - 一种基于星点重提取的大机动条件下星图识别算法 - Google Patents

Abstract

本发明公开了一种基于星点重提取的大机动条件下星图识别算法，涉及星图识别算法领域，所述算法包括以下步骤：步骤1、采用分块极值法提取星图的星点；步骤2、采用三角形算法识别所述星图；步骤3、采用QUEST算法估计姿态，得到所述姿态的估计值，并进行所述星点的重提取，重新估计所述姿态。本发明缩短了大机动条件下星图中星点提取的耗时，提高了姿态估计的准确性，具有大机动条件下的快速高精度的星点提取和星图识别效果。

Description

一种基于星点重提取的大机动条件下星图识别算法

技术领域

本发明涉及星图识别算法领域，尤其涉及一种基于星点重提取的大机动条件下星图识别算法。

背景技术

星敏感器的工作模式主要分为初始姿态捕获模式与星跟踪模式。其中在初始开机阶段，星敏感器不具备当前姿态信息，则进入初始捕获模式，通过对拍摄到的星图进行背景估计、去噪、星点提取、质心定位等操作后，通过得到的星点质心信息与导航星库星点信息进行匹配从而确定自身姿态。一旦得到初始姿态后，星敏感器便进入星跟踪模式，使得星敏感器能够稳定输出姿态。因此，在姿态捕获阶段，星图识别的正确率与快速性影响到整个姿态捕获与星跟踪的精度与稳定性。

根据各类研究成果，已有多项关于星图识别算法的专利。如专利1“一种基于混合粒子群算法的星图识别方法”(CN102840860A)包括建立导航星库和基于混合粒子群算法进行星图识别两个步骤，圆半径r通过自适应调整方法来确定，采用混合粒子群算法进行快速路径寻优，解决了大视场，高灵敏度恒星敏感器条件下，星图识别率低，对噪声鲁棒性差的缺点。专利2“一种快速全天星图自主恒星识别方法”(CN103868510A)基于改进型K矢量法对观测星三角形进行三角形匹配识别，节省了存储空间，减小了星图识别时间，提高了识别正确率，具有很好的实用价值。专利3“一种结合神经网络技术及三角形算法的星图识别方法”(CN107941210A)根据每颗星的邻近星的分布特点，构造特征向量，采用神经网络技术构建分类网络，具有存储量小、识别速度快、识别率高、抗干扰性强等优点。

但是，在初始入轨、大角度调姿等大机动条件下时，将会出现积分时间内星点位移形成轨迹，导致星点质心定位精度下降；星图背景复杂，信噪比降低，部分星点难以提取成功；杂光影响加剧，导致部分杂光被当作星点错误提取。此时，上述传统的星图提取、识别算法将难以满足快速性、准确性需求。

因此，本领域的技术人员致力于开发一种应用于大机动条件下的快速高精度的星点提取、星图识别算法。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是如何在大机动条件下实现快速高精度的星点提取和星图识别。

为实现上述目的，本发明提供了一种基于星点重提取的大机动条件下星图识别算法，所述算法包括以下步骤：

步骤1、采用分块极值法提取星图的星点；

步骤2、采用三角形算法识别所述星图；

步骤3、采用QUEST算法估计姿态，得到所述姿态的估计值，并进行所述星点的重提取，重新估计所述姿态。

进一步地，在所述步骤1中，所述分块极值法将所述星图的整个像平面以1°的视场角范围划分为多个像素分块。

进一步地，在所述每个像素分块内仅提取一颗所述星点。

进一步地，在所述每个像素分块内仅提取的一颗所述星点是最亮的一颗。

进一步地，在所述步骤2中，所述三角形算法将提取出的所有所述星点按照亮度降序排列。

进一步地，所述三角形算法根据木桶原理依次选取三颗所述星点组成星点三角形。

进一步地，所述三角形算法在所有角距划分范围为0.02°的所述导航星库中选取范围为0.06°的相邻三个所述像素分块进行匹配。

进一步地，在所述三角形算法中，若匹配失败，则选取下一组所述星点三角形进行匹配；若匹配成功且仅存在一组匹配结果，则另外选取一颗所述星点进行验证，验证成功即输出匹配结果，验证不成功则选取下一组所述星点三角形进行匹配；若匹配结果不唯一，则依次验证剩余所述星点与所述星点三角形组成的星三棱锥，选取验证成功结果最多的匹配结果进行输出。

进一步地，在所述步骤3中，在得到所述姿态的估计值后，查阅所述导航星库，将所述视场角范围内所有所述星点映射至所述像平面上，根据姿态估计设备得到星敏感器三轴角速度估计值并估计所述星点的形态大小，在估计的导航星位置附近建立窗口进行星点重提取。

进一步地，所述姿态估计设备包括陀螺仪。

与现有技术相比，本发明具有以下改进之处及有益结果：

1、本发明针对大机动条件下星图信噪比较低、背景估计效果较差导致使用扫描法进行星点提取耗时较久的问题，采用改进的分块极值法在损失一小部分较暗星点的条件下，快速实现大部分星点信息得以提取，大大缩短了大机动条件下星图中星点提取的耗时。

2、本发明对传统的三角形算法进行改进，针对大机动条件下部分星点难以得以提取、部分杂光被当作星点信息错误提取的问题，将星三角型按照亮度降序排列后，针对多个提取结果采用多星点验证的方式选取最为准确的匹配结果。

3、本发明采用星点重提取的方式，针对大机动条件下提取星点较少导致QUEST算法估计的星敏感器姿态误差较大的问题，在采用分块极值法快速提取星点、星图识别后，根据导航星映射的像平面位置进行高精度的星点质心重提取，重新估计星敏感器姿态，提高了姿态估计的准确性。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1是本发明的一个较佳实施例的算法流程图。

具体实施方式

以下参考说明书附图介绍本发明的优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。

如图1所示，为本发明一个较佳实施例的算法流程图。

该算法包括以下步骤：

步骤1、采用分块极值法提取星图的星点；

步骤2、采用三角形算法识别星图；

步骤3、采用QUEST算法估计姿态，得到姿态的估计值，并进行星点的重提取，重新估计姿态。

大机动条件下得到的星图，由于曝光时间内星点位移能量分散，星点灰度值相对降低，背景噪声相对较高，星图信噪比相对较低，且杂光影响相对扩大，此时若按照经典的背景估计方法，大量噪声像素被当作星点信息得以提取，在接下来使用扫描法进行星点提取过程中造成分区较多，耗时较久。

因此，在步骤1中，针对大机动条件下得到的星图，采用分块极值法。分块极值法在牺牲一部分比较黯淡的星点的前提下，按照1°的视场角范围将整个像平面划分为多个像素分块，在每个像素分块内进行中值滤波、背景估计，提取最亮像素为该分块内的星点中心，并采用质心法快速计算星点质心。假设视场角范围为M^°×N^°，则最多可提取出M×N颗星点。通过分块的方式，可以快速实现背景估计与主要星点的提取，避免了全星图背景估计、扫描法进行星点提取造成的大量耗时。

在得到提取出的星点在像平面上的二维坐标后，可以通过星敏感器的内参数得到星点两两之间角距信息，根据星图识别的三角形算法进行识别，具体流程为：

1、将所提取出的所有星点按照亮度进行降序排列，每三颗进行组合；

2、根据质心坐标与星敏感器参数，计算两两之间角距；

3、依次选取一组三角形，首先根据第一条边的角距，根据角距计算并查询星对索引坐标，因为星对存储表格中每0.02°一个单元，为保证较高质心提取误差下的查询完备性，选取对应单元及上下各一个单元共三个单元的星点对作为匹配结果。将所有匹配成功的星点在check列表中标注为1，并存储在星对中和其组合的星点坐标及其个数。以同样方法检索第二条边匹配的星对，根据所含星点的标注是否为1进行过滤，并更新标注为2，存储对应组合的星点编号。最后将第三条边的所有匹配星对与前两步生成的星对求交集得到所有匹配成功的三角形；

4、若匹配失败，则按照顺序选取下一组星三角形进行识别；

5、若匹配成功，且仅存在一组匹配结果，则从剩余星点中依次选取，构造星角距组成的三棱锥进行角距验证，若存在一颗星点使得验证成功，则输出匹配结果；若存在多组匹配结果，则依次验证剩余星点与当前三角形组成的星三棱锥，选取验证成功结果最多的匹配结果进行输出。

在保证至少四颗导航星验证成功的前提下，避免了由于星点像素提取不完整导致的星点缺失或质心偏差与由于噪声较大导致的噪声错误提取，然后通过QUEST算法快速进行姿态估计，可以得到当前时刻姿态的估计结果。

为避免星点缺失导致的姿态估计偏差，在姿态估计后，查阅导航星库，将当前视场范围内的星点映射至像平面上，根据姿态估计设备得到星敏感器三轴角速度估计值并估计星点的形态大小，在估计的导航星位置附近建立窗口，在窗口内进行局部背景估计、星点像素提取、星点形态复原，从而得到较高精度的星点质心提取结果与较多的星点提取数量，再次使用QUEST算法估计姿态，更新姿态信息，得到较高精度的姿态估计结果。

其中，姿态估计设备包括陀螺仪。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于星点重提取的大机动条件下星图识别算法，其特征在于，所述算法包括以下步骤：

步骤1、采用分块极值法提取星图的星点；

步骤2、采用三角形算法识别所述星图；

步骤3、采用QUEST算法估计姿态，得到所述姿态的估计值，并进行所述星点的重提取，重新估计所述姿态。

2.如权利要求1所述的基于星点重提取的大机动条件下星图识别算法，其特征在于，在所述步骤1中，所述分块极值法将所述星图的整个像平面以1°的视场角范围划分为多个像素分块。

3.如权利要求2所述的基于星点重提取的大机动条件下星图识别算法，其特征在于，在所述每个像素分块内仅提取一颗所述星点。

4.如权利要求3所述的基于星点重提取的大机动条件下星图识别算法，其特征在于，在所述每个像素分块内仅提取的一颗所述星点是最亮的一颗。

5.如权利要求4所述的基于星点重提取的大机动条件下星图识别算法，其特征在于，在所述步骤2中，所述三角形算法将提取出的所有所述星点按照亮度降序排列。

6.如权利要求5所述的基于星点重提取的大机动条件下星图识别算法，其特征在于，所述三角形算法根据木桶原理依次选取三颗所述星点组成星点三角形。

7.如权利要求6所述的基于星点重提取的大机动条件下星图识别算法，其特征在于，所述三角形算法在所有角距划分范围为0.02°的所述导航星库中选取范围为0.06°的相邻三个所述像素分块进行匹配。

8.如权利要求7所述的基于星点重提取的大机动条件下星图识别算法，其特征在于，在所述三角形算法中，若匹配失败，则选取下一组所述星点三角形进行匹配；若匹配成功且仅存在一组匹配结果，则另外选取一颗所述星点进行验证，验证成功即输出匹配结果，验证不成功则选取下一组所述星点三角形进行匹配；若匹配结果不唯一，则依次验证剩余所述星点与所述星点三角形组成的星三棱锥，选取验证成功结果最多的匹配结果进行输出。

9.如权利要求8所述的基于星点重提取的大机动条件下星图识别算法，其特征在于，在所述步骤3中，在得到所述姿态的估计值后，查阅所述导航星库，将所述视场角范围内所有所述星点映射至所述像平面上，根据姿态估计设备得到星敏感器三轴角速度估计值并估计所述星点的形态大小，在估计的导航星位置附近建立窗口进行星点重提取。

10.如权利要求9所述的基于星点重提取的大机动条件下星图识别算法，其特征在于，所述姿态估计设备包括陀螺仪。

Images